python - 如何根据条件删除 y_train 数组中值的百分比

Question

我是 Python 新手，我有一个关于删除数组 y_train 中 50% 的值的问题，但只删除 value = 0 的值

所以我使用train_test_split来创建x_test x_train y_test和y_train。在 y_train 中，有 5287 乘以值 0 和 422 乘以值 1。我想删除 y_train 中值为 0 的 50%。这样 y_train 只有 5287/2 = 2644 乘以值 0 和 422 乘以值 1。

我想这样做是因为我有一个小数据框。我的随机森林模型仅预测 0 而不是 1。所以我希望 y_train 中的 0 值较小。问题是 y_train 是一个数组而不是数据帧。

定义 X 和 Y，以“Schade_tussen_6_18_mnd”为目标

Y = np.array(df['Schade_tussen_6_18_mnd'])
X = df.drop('Schade_tussen_6_18_mnd', axis=1)

用于分割我的数据:

X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2, stratify=Y)

我尝试过这个Y_train.drop(Y_train.query(' = 0').sample(frac=0.5).index)但我收到错误:numpy.ndarray'对象没有属性'drop

我希望输出为 y_train(2644 ,422) 而不是 y_train(5287 ,422)

Answer 1

实际上，不要自己执行此操作，而是使用像 imbalanced-learn 这样的包。

但是，这里是使用 numpy 执行此操作的示例:

import numpy as np

def make_fake_y(n_zeros, n_ones):
    y = np.array([0]*n_zeros +  [1]*n_ones)
    np.random.shuffle(y)
    return y 

def find_half_the_zeros(y):
    idx_0 = np.where(y==0)[0]
    np.random.shuffle(idx_0)
    idx_delete = idx_0[:idx_0.shape[0]//2]
    return idx_delete

示例:

>> y = make_fake_y(10,5)
>> y
array([0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 1, 0, 0, 1, 0])
>> idx = find_half_the_zeros(y)
>> idx
array([14,  3,  6, 11, 12])
>> np.delete(y,idx)
array([0, 0, 1, 1, 1, 0, 0, 0, 1, 1])